链表进阶核心 | LeetCode 92 区间反转:吃透递归反转与哨兵技巧

链表进阶核心 | LeetCode 92 区间反转:吃透递归反转与哨兵技巧

✨链表进阶核心 | LeetCode 92 区间反转:吃透递归反转与哨兵技巧🎯

视频地址

因为想更好的为大佬服务,制作了同步视频,这是Bilibili的视频地址

链表反转是数据结构与算法中的经典高频考点,从基础的全链表反转,到反转前n个节点,再到进阶的区间反转,层层递进。本文将以LeetCode 92. 反转链表 II为核心,从基础的「反转前n个节点」递归实现讲起,结合虚拟头节点神器,手把手拆解区间反转的解题逻辑,带你彻底掌握链表递归反转的核心思想!


🚀 开篇引论:链表反转的进阶之路

链表是一种线性、离散存储的数据结构,节点之间通过指针关联,无法像数组一样随机访问,这也让链表反转成为了考察指针操作与递归思维的最佳题型。

LeetCode 92 区间反转问题,并非孤立的算法题,而是**「反转前n个节点」**的进阶应用。我们的解题思路非常清晰:先攻克基础的前n节点反转,再将区间反转问题拆解为基础问题的组合,化繁为简,轻松破解难题。


🔄 基础筑基:链表【前n个节点】递归反转

在解决区间反转之前,我们必须先实现一个核心工具函数:反转链表的前n个节点,这是解题的核心基石。

1. 函数定义与核心功能

我们定义递归函数 reverseN,功能如下:

  • 函数签名ListNode* reverseN(ListNode* head, int n)
  • 核心功能:反转以head为头节点的链表的前n个节点,返回反转后的新链表头节点;剩余未反转节点保持原顺序。

2. 递归实现思路拆解

递归的核心是分解子问题 + 终止条件 + 回溯调整指针,严格遵循以下逻辑:

  1. 终止条件:当n == 1时,说明已经找到待反转的最后一个节点,直接返回当前节点(新头节点);
  2. 递归子问题:记录当前节点的下一个节点为tail,递归调用reverseN反转head.next开头的n-1个节点;
  3. 回溯调整指针:将当前头节点指向tail的后继节点,再将tail指向当前头节点,完成局部反转;
  4. 返回结果:最终返回递归得到的新头节点。

3. 直观调用示例

我们以链表 1->2->3->4 为例,通过表格直观展示函数效果:

原链表结构输入参数n反转后链表结构
1->2->3->422->1->3->4
1->2->3->433->2->1->4

4. 关键代码实现(C++)与详解

 // 链表节点定义(通用) struct ListNode { int val; ListNode *next; ListNode() : val(0), next(nullptr) {} ListNode(int x) : val(x), next(nullptr) {} ListNode(int x, ListNode *next) : val(x), next(next) {} }; // 核心函数:反转链表前n个节点(递归实现) ListNode* reverseN(ListNode* head, int n) { // 终止条件:n=1,到达待反转的最后一个节点,直接返回 if (n == 1) { return head; } // 记录当前节点的下一个节点(待反转的子链表头) ListNode* tail = head->next; // 递归反转:反转head.next的前n-1个节点,得到新头节点 ListNode* newHead = reverseN(head->next, n - 1); // 指针调整:当前头节点指向tail的后继节点 head->next = tail->next; // tail指向当前头节点,完成局部反转 tail->next = head; // 返回反转后的新头节点 return newHead; } 

代码关键解析

  • tail 保存了当前节点的直接后继,是回溯时调整指针的核心;
  • 递归会一直深入到待反转的最后一个节点,回溯时从后往前调整指针,完美实现反转;
  • 未反转的节点完全不影响,保证了链表的完整性。

🎯 实战攻坚:LeetCode 92 链表区间反转

1. 题目问题描述

LeetCode 92. 反转链表 II

给你单链表的头指针 head 和两个整数 mn1 ≤ m ≤ n ≤ 链表长度),请你反转从位置 m 到位置 n 的链表节点,返回反转后的链表。

2. 神器加持:虚拟头节点(哨兵)技巧

这是链表题中解决边界问题的万能技巧

  • 定义:创建一个额外的链表节点(值任意,如0),让它的next指向原链表的头节点,这个节点就是虚拟头节点(dummy)
  • 核心作用:消除「待反转区间包含原链表头节点」的特殊情况,统一所有操作逻辑,类似哨兵节点的防护作用。

我们用Mermaid图直观展示虚拟头节点的结构:

next

移动m-1步

m=2

虚拟头节点 dummy\nval=0

节点1

节点2

节点3

null

指针p

指针p

📌 图表说明:虚拟头节点独立于原链表,指针p只需移动m-1步,就能精准定位到待反转区间的前驱节点,无论m=1还是m>1,逻辑完全一致。

3. 整体解题思路

将区间反转问题拆解为3个简单步骤,完美复用我们的reverseN函数:

  1. 定位前驱节点:通过虚拟头节点,移动指针找到第m-1个节点(记为p),它是待反转区间的前一个节点;
  2. 计算反转长度:待反转节点数 k = n - m + 1
  3. 调用工具函数+拼接:调用reverseN反转p.next开头的k个节点,将p.next指向反转后的新头节点,完成拼接。

4. 完整代码实现(C++)与逐行解析

 // LeetCode92 区间反转主函数 ListNode* reverseBetween(ListNode* head, int m, int n) { // 1. 创建虚拟头节点,指向原链表头 ListNode* dummy = new ListNode(0); dummy->next = head; // 2. 定义指针p,初始指向虚拟头节点 ListNode* p = dummy; // 3. 移动m-1步,定位到待反转区间的前驱节点 for (int i = 0; i < m - 1; i++) { p = p->next; } // 4. 计算需要反转的节点个数 int k = n - m + 1; // 5. 调用reverseN,反转p.next开头的k个节点 p->next = reverseN(p->next, k); // 6. 返回虚拟头节点的next(最终链表头) return dummy->next; } 

代码关键解析

  • 虚拟头节点彻底规避了m=1时头节点变化的边界问题;
  • 仅通过一次循环定位前驱节点,时间复杂度极低;
  • 核心反转逻辑完全复用reverseN,代码复用性拉满。

5. 算法复杂度分析

  • 时间复杂度: O ( n ) O(n) O(n) ,仅遍历链表一次,递归操作也是线性的;
  • 空间复杂度: O ( n ) O(n) O(n) ,递归调用会占用栈空间(若改用迭代实现reverseN,空间可优化为 O ( 1 ) O(1) O(1) )。

📚 算法原理深度剖析

1. 递归反转的核心原理

链表递归反转的本质是后序遍历:先递归深入到子问题的终止节点,再回溯调整指针。

对于reverseN,我们把「反转前n个节点」分解为「反转前n-1个节点」的子问题,直到n=1到达终点,再逐层回溯调整指针,最终完成整体反转。

2. 虚拟头节点的底层逻辑

普通链表操作中,头节点没有前驱,当反转区间包含头节点时,需要单独写判断逻辑。虚拟头节点为原链表增加了一个「公共前驱」,让所有节点的操作逻辑完全统一,代码更简洁、更健壮。


💡 算法学习核心建议

结合本题的学习,给大家分享算法刷题的核心方法论:

  1. 思维与代码双管齐下:学习算法分为学思路写代码两个过程,缺一不可。先理解递归分解、区间拆解的思维逻辑,再动手敲代码,才能真正内化;
  2. 基础工具优先掌握:复杂算法题都是基础工具的组合,比如本题的reverseN就是核心工具,吃透基础,进阶题迎刃而解;
  3. 实操大于空想:不要只看题解,跟着思路逐行敲代码,调试指针操作,才能攻克链表的指针难点;
  4. 刻意练习边界情况:链表题的坑点都在边界(如m=1、n=链表长度),刻意针对边界测试,提升代码健壮性。

结语

LeetCode 92 区间反转,是链表递归反转的里程碑式题目。它教会我们:复杂问题拆解为基础子问题,用工具函数简化核心逻辑,用技巧规避边界问题

从反转前n个节点,到区间反转,不仅是代码的进阶,更是递归思维的升华。希望大家通过本文,彻底吃透链表反转的核心,在算法刷题的路上稳步前行!💪


✅ 关键点回顾

  1. 核心工具:reverseN递归反转链表前n个节点;
  2. 万能技巧:虚拟头节点统一链表边界操作;
  3. 解题核心:区间反转 = 定位前驱 + 调用基础反转函数 + 拼接链表;
  4. 学习方法:思路先行,代码跟进,刻意练习!
链表进阶核心 | LeetCode 92 区间反转:吃透递归反转与哨兵技巧

Read more

人工智能:深度学习中的卷积神经网络(CNN)实战应用

人工智能:深度学习中的卷积神经网络(CNN)实战应用

人工智能:深度学习中的卷积神经网络(CNN)实战应用 1.1 本章学习目标与重点 💡 学习目标:掌握卷积神经网络的核心原理、经典网络架构,以及在图像分类任务中的实战开发流程。 💡 学习重点:理解卷积层、池化层的工作机制,学会使用 TensorFlow 搭建 CNN 模型并完成训练与评估。 1.2 卷积神经网络核心原理 1.2.1 卷积层:提取图像局部特征 💡 卷积层是 CNN 的核心组件,其作用是通过卷积核对输入图像进行局部特征提取。 卷积核本质是一个小型的权重矩阵。它会按照设定的步长在图像上滑动。每滑动一次,卷积核就会与对应区域的像素值做内积运算,输出一个特征值。 这个过程可以捕捉图像的边缘、纹理等基础特征。 ⚠️ 注意:卷积核的数量决定了输出特征图的通道数,数量越多,提取的特征维度越丰富。 ① 定义一个 3×3 大小的卷积核,步长设为 1,填充方式为 SAME

By Ne0inhk
人工智能:自然语言处理在医疗领域的应用与实战

人工智能:自然语言处理在医疗领域的应用与实战

人工智能:自然语言处理在医疗领域的应用与实战 学习目标 💡 理解自然语言处理(NLP)在医疗领域的应用场景和重要性 💡 掌握医疗领域NLP应用的核心技术(如电子病历分析、疾病诊断辅助、药物相互作用检测) 💡 学会使用前沿模型(如BioBERT、ClinicalBERT)进行医疗文本分析 💡 理解医疗领域的特殊挑战(如医疗术语、数据隐私、法规要求) 💡 通过实战项目,开发一个电子病历文本分类应用 重点内容 * 医疗领域NLP应用的主要场景 * 核心技术(电子病历分析、疾病诊断辅助、药物相互作用检测) * 前沿模型(BioBERT、ClinicalBERT)在医疗领域的使用 * 医疗领域的特殊挑战 * 实战项目:电子病历文本分类应用开发 一、医疗领域NLP应用的主要场景 1.1 电子病历分析 1.1.1 电子病历分析的基本概念 电子病历(Electronic Health Records, EHR)是医疗领域的核心数据之一,包含了患者的基本信息、诊断记录、

By Ne0inhk
计算机专业在AI浪潮下的学习路径深度分析:从“代码写手”到“系统掌舵者”

计算机专业在AI浪潮下的学习路径深度分析:从“代码写手”到“系统掌舵者”

这篇文章会把三个问题掰开揉碎:为何学、学什么、怎么学。贴近真实的学习体验:会遇到的坑、会反复卡住的点、应该怎么借助 AI 但不被 AI 带偏、怎么把学习变成可被面试官验证的成果。最后还会给三个场景的超细行动方案:转行找开发工作 / 在校担心就业 / 用 AI 做产品副业。 目录 1. 2026-2027:编程范式真的在变什么 2. 为什么“系统能力”会变成护身符 3. AI 时代的能力金字塔:你该把力气花在哪里 4. 通用学习路径四阶修炼(带验收标准) 5. 场景一:转行找开发工作(前端 / 后端 / 数据 / AI 应用) 6. 场景二:在校生如何把四年过成“可雇佣的四年” 7. 场景三:用 AI

By Ne0inhk
uni-app x跨平台开发实战:鸿蒙HarmonyOS网络模块封装与轮播图实现

uni-app x跨平台开发实战:鸿蒙HarmonyOS网络模块封装与轮播图实现

在玩中学,直接上手实战是猫哥一贯的自学方法心得。假期期间实在无聊!我不睡懒觉、不看电影、也不刷手机、不玩游戏、也无处可去。那么我干嘛嘞?闲的都想看蚂蚁上树,无聊透顶,百无聊赖,感觉假期好没意思啊。做什么呢? 于是翻出来之前做过的“爱影家”影视app项目,找个跨多端的技术栈再玩一把。 我先后尝试了kuikly、flutter 、arkui-x等框架,结果…,额,这几个没少踩坑做不动了。真想向天问一下,跨平台框架开发哪家强?最后尝试了下uni-app x,这个还真不错,就选它了,用它来实现个跨多端的免费观影APP分享给大家。 本文内容介绍uni-app x框架的网络请求和组件复用,这是每个开发者必须掌握的技能。本文将通过 uni-app x 框架,结合uni-app x独有的 UTS 语言规范,实践如何构建规范的网络请求模块,并实现动态轮播图组件。我们选用的案例是影视类应用的首页轮播图实现,接口来源于真实的开放 API。 关于uniapp-x的介绍: 可以体验打包后的hello uni-app

By Ne0inhk